في عالم الذكاء الاصطناعي، تمثل نماذج المكافآت التوليدية (Generative Reward Models) خطوة هامة نحو تحسين نماذج اللغات الكبيرة (Large Language Models). تقنيات مثل إنجرش (EnGRICH) تظهر كيف يمكن للانتقادات البشرية أن تعزز من عملية التدريب وتحقق نتائج أفضل.

بدلاً من الاعتماد فقط على تقييمات النماذج الخطية، تقدم نماذج المكافآت التوليدية انتقادات طبيعية باللغة، مما يوفر إشارات تقييم أكثر دقة. ولكن نجاحها يعتمد بشكل كبير على موثوقية هذه الانتقادات. التقليد الحالي في تدريب نماذج المكافآت غالبًا ما يستخدم دقة التفضيل النهائية كإشراف، مما يؤدي إلى تقليل فعالية بعض الانتقادات التي قد تكون غير موثوقة ولكنها تعطي نتائج صحيحة.

تدعو الإنجازات الأخيرة إلى استخدام الانتقادات البشرية كوسيلة للإشراف على العمليات التدريبية، إلا أن هذه الانتقادات غالبًا ما تكون نادرة، وتقتصر على المكافآت الخطية، مما يترك المعلومات الدقيقة تحت الاستغلال.

هنا تأتي فكرة إنجرش (EnGRICH). تعتمد هذه التقنية على إنشاء إطار تدريب لنموذج المكافآت التوليدية، مدمجًا مع معايير تقييمية (MetaCritic) مستفادة من مجموعة محدودة من الانتقادات البشرية. حيث تقوم هذه المعايير بتطوير قواعد تقييم خاصة بالاستجابة، وتستخدمها لتقييم التغطية الدليلية وصحة الانتقادات الناتجة.

توفر هذه الإشارات مكافآت عملية لتوزيع الفضل بشكل دقيق، وتوجه نحو تحقيق انتقادات أفضل. خلال التدريب على نموذج المكافآت التوليدية، يتم تحسين المعايير إضافيًا لتعميم المعايير التقييمية المستندة إلى البشر على البيانات التي تعتمد فقط على النتائج. في مرحلة الاستدلال، يعمل نموذج المكافآت المدرب بشكل مستقل.

تظهر التجارب عبر سبعة معايير لنماذج المكافآت أن إنجرش (EnGRICH) يتفوق باستمرار على المعايير التنافسية، بينما تؤكد التحليلات الإضافية فعالية آلياته الأساسية. هل ستمثل تقنية إنجرش نقطة انطلاق جديدة في عالم الذكاء الاصطناعي؟ تابعونا للمزيد من التطورات الجديدة!